1、本文檔下載自文庫(kù)下載網(wǎng)，內(nèi)容可能不完整，您可以點(diǎn)擊以下網(wǎng)址繼續(xù)閱讀或下載：/doc/cdc846bc960590c69ec376e2.html細(xì)菌覓食算法在圖像壓縮中的應(yīng)用圖像算法第卷第期年月深圳大學(xué)學(xué)報(bào)理工版。文章編號(hào)：（）【電子光學(xué)與信息工程】細(xì)菌覓食算法在圖像壓縮中的應(yīng)用儲(chǔ)穎，邵子博，糜華，吳青華（深圳大學(xué)信息工程學(xué)院，深圳；倫敦大學(xué)學(xué)院電子工程系，倫敦，英國(guó)；利物浦大學(xué)電氣電子工程系，利物浦，英國(guó)）摘要：基于傳統(tǒng)反向傳播（，）網(wǎng)絡(luò)，提出一種結(jié)合細(xì)菌覓食算法（?，）的改進(jìn)型網(wǎng)絡(luò)（），并將其用于圖像壓縮為克服傳統(tǒng)網(wǎng)絡(luò)容易陷入局部極小值的缺點(diǎn)

2、，算法引入特有的復(fù)制和驅(qū)散操作，以提高網(wǎng)絡(luò)收斂速度，加強(qiáng)全局尋優(yōu)能力對(duì)標(biāo)準(zhǔn)測(cè)試圖像進(jìn)行仿真實(shí)驗(yàn)表明，該算法能有效提高重建圖像質(zhì)量關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；反向傳播；細(xì)菌覓食算法；生物啟發(fā)式計(jì)算；圖像壓縮中圖分類號(hào)：；文獻(xiàn)標(biāo)識(shí)碼：度為增加網(wǎng)絡(luò)多樣性并避免陷入局部極小值，依概率選擇部分網(wǎng)絡(luò)進(jìn)行特有的驅(qū)散操作仿真實(shí)驗(yàn)結(jié)果表明，網(wǎng)絡(luò)能有效改善傳統(tǒng)網(wǎng)絡(luò)容易陷入局部極小值現(xiàn)象，提高重建圖像質(zhì)量人工神經(jīng)網(wǎng)絡(luò)（，）是模擬生物腦結(jié)構(gòu)和腦功能而構(gòu)成的網(wǎng)絡(luò)系統(tǒng)反向傳播（，）網(wǎng)絡(luò)是實(shí)際應(yīng)用中最為廣泛的一種網(wǎng)絡(luò)模型，具有結(jié)構(gòu)簡(jiǎn)單、可操作性強(qiáng)、能逼近任意非線性映射等優(yōu)點(diǎn)，在圖像壓縮領(lǐng)域得到廣泛http:/www.wenkux

3、/doc/cdc846bc960590c69ec376e2.html研究和應(yīng)用引然而，網(wǎng)絡(luò)存在收斂速度慢、容易陷入局部極小值等缺點(diǎn)，在將其應(yīng)用于圖像壓縮時(shí)，存在重建圖像質(zhì)量較差的問(wèn)題近年來(lái)，人們模擬自然界生物群體行為發(fā)展出一系列群體智能算法，如蟻群算法（，）和粒子群算法（用實(shí)現(xiàn)圖像壓縮網(wǎng)絡(luò)年【川首次提出誤差反向傳播算法，采用該算法訓(xùn)練的稱之為網(wǎng)絡(luò)網(wǎng)絡(luò)是一種前向網(wǎng)絡(luò)，利用非線性可微函數(shù)進(jìn)行權(quán)值訓(xùn)練，具有強(qiáng)大的并行處理能力、圖形識(shí)別能力、容錯(cuò)性和魯棒性，可廣泛應(yīng)用于圖像壓縮領(lǐng)，）年，基于大腸桿菌在人體腸道內(nèi)吞噬食物的行為，提出一種新型仿生類算法一細(xì)菌覓食算法（域一個(gè)典型的兩層對(duì)稱

4、網(wǎng)絡(luò)，包括輸入層（節(jié)點(diǎn)）、隱含層和輸出層，如圖其中，輸入層有、個(gè)輸入節(jié)點(diǎn)；隱含層有個(gè)隱節(jié)點(diǎn)，且；輸出層有個(gè)輸出節(jié)點(diǎn)算法由信息正向傳播與誤差反向傳播組成舊，如圖在正向傳播中，輸入信息由各輸入節(jié)點(diǎn)并行傳輸至隱節(jié)點(diǎn)由于，將隱節(jié)點(diǎn)數(shù)據(jù)輸出即可實(shí)現(xiàn)數(shù)據(jù)壓縮隱節(jié)點(diǎn)輸出計(jì)算為（）其中，為維輸入矢量；為維隱含層權(quán)，）該算法因具有群體智能算法并行搜索、易跳出局部極小值等優(yōu)點(diǎn)，成為生物啟發(fā)式計(jì)算研究領(lǐng)域的又一熱點(diǎn)本文提出一種結(jié)合的改進(jìn)型網(wǎng)絡(luò)（）并將其用于圖像壓縮算法將每個(gè)傳統(tǒng)網(wǎng)絡(luò)視為算法中的一個(gè)細(xì)菌在多個(gè)網(wǎng)絡(luò)完/doc/cdc846bc960590c69ec376

5、e2.html成并行訓(xùn)練后，得到多組網(wǎng)絡(luò)權(quán)值，利用特有的復(fù)制操作處理這些權(quán)值，以加快收斂速收稿日期：；修回日期：基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（）；國(guó)家自然科學(xué)基金委員會(huì)與英國(guó)皇家學(xué)會(huì)合作資助項(xiàng)目（）；深圳大學(xué)科研啟動(dòng)基金資助項(xiàng)目（）作者簡(jiǎn)介：儲(chǔ)穎（），女（漢族），江蘇省官興市人，深圳大學(xué)講師：通訊作者：吳青華（一），男（英籍華人），英國(guó)利物浦大學(xué)終身教授：深圳大學(xué)學(xué)報(bào)理工版第卷圖兩層對(duì)稱網(wǎng)絡(luò)模型兩麗求隱含層輸出求輸出層輸出求實(shí)際輸和期望輸出誤差匭速穢，嵩遞歸計(jì)算誤差調(diào)整網(wǎng)絡(luò)權(quán)值輸出訓(xùn)練后的網(wǎng)絡(luò)權(quán)值（笙壅）圖網(wǎng)絡(luò)訓(xùn)練流程，值；為維隱含層輸出矢量隱節(jié)點(diǎn)輸出經(jīng)型傳輸函數(shù)作用后，再經(jīng)量化、傳輸和

6、接收，重新作為輸入送至網(wǎng)絡(luò)輸出層經(jīng)計(jì)算，輸出節(jié)點(diǎn)值為礦（）其中，為維壓縮矢量；為維輸出矢量計(jì)算實(shí)際輸出與期望輸出（）之間誤差若誤差符合精度要求，網(wǎng)絡(luò)停止訓(xùn)練；否則，誤差沿網(wǎng)絡(luò)反向傳播，并按誤差函數(shù)負(fù)梯度://doc/cdc846bc960590c69ec376e2.htmlr方向逐層調(diào)整網(wǎng)絡(luò)權(quán)值，再進(jìn)行信息正向傳播如此反復(fù)訓(xùn)練網(wǎng)絡(luò)，直到誤差達(dá)到精度要求圖像壓縮用網(wǎng)絡(luò)進(jìn)行圖像壓縮，包括訓(xùn)練、壓縮一解壓縮兩個(gè)階段訓(xùn)練階段將訓(xùn)練圖像分割成互不重疊，子塊，將圖像子塊灰度值賦給輸入層節(jié)點(diǎn)作為訓(xùn)練樣本矢量，并同時(shí)賦值給輸出層節(jié)點(diǎn)作為期望輸出矢量為與傳輸函數(shù)輸出范圍匹配

7、，將輸入圖像灰度范圍由，轉(zhuǎn)化至，圖像重建時(shí)，再恢復(fù)至，通過(guò)反復(fù)訓(xùn)練網(wǎng)絡(luò)，調(diào)整網(wǎng)絡(luò)權(quán)值，使重建圖像盡可能相似于原始圖像網(wǎng)絡(luò)趨于穩(wěn)定后，訓(xùn)練結(jié)束，可獲得一組訓(xùn)練好的網(wǎng)絡(luò)權(quán)值壓縮一解壓縮階段讀取待壓縮圖像，分塊后將子塊灰度值賦值給已完成訓(xùn)練的網(wǎng)絡(luò)根據(jù)已獲得的網(wǎng)絡(luò)權(quán)值，計(jì)算該圖像的隱節(jié)點(diǎn)輸出矢量，并將其量化為之后，對(duì)進(jìn)行編碼、傳輸和解碼等操作，并送入解壓縮網(wǎng)絡(luò)，根據(jù)式（）計(jì)算輸出矢量將維輸出矢量還原為圖像子塊，將所有圖像子塊組合成整幅圖像，完成圖像重建結(jié)合細(xì)菌覓食算法的人工神經(jīng)網(wǎng)絡(luò)細(xì)菌覓食算法細(xì)菌覓食算法模仿大腸桿菌在人體腸道內(nèi)覓食行為，屬于仿生類優(yōu)化算法在模型中，優(yōu)化問(wèn)題的解對(duì)應(yīng)搜索空間中細(xì)菌的狀態(tài)

8、，即優(yōu)化函數(shù)適應(yīng)值算法包括趨化（）、復(fù)制（）和驅(qū)散（）個(gè)步驟細(xì)菌向富養(yǎng)區(qū)域聚集的行為稱為趨化在趨化過(guò)程中，細(xì)菌運(yùn)動(dòng)模式包括翻轉(zhuǎn)（）和前進(jìn)（）細(xì)菌向任意方向移動(dòng)單位步長(zhǎng)定義為翻轉(zhuǎn)當(dāng)細(xì)菌完成一次翻轉(zhuǎn)后，若適應(yīng)值得到改善，將沿同一方向繼續(xù)移動(dòng)若干步，直至適應(yīng)值不再改善，或達(dá)到預(yù)定的移動(dòng)步數(shù)臨界值此過(guò)程定義為前進(jìn)一旦生命周期結(jié)束，即達(dá)到臨界趨化次數(shù)，細(xì)菌將進(jìn)行繁/doc/cdc846bc960590c69ec376e2.html殖細(xì)菌的繁殖過(guò)程遵循自然界“優(yōu)勝劣汰，適者生存”原則如圖，以趨化過(guò)程中各細(xì)菌適應(yīng)值累加和為標(biāo)準(zhǔn)，較差的半數(shù)細(xì)菌死亡，較好的半數(shù)

9、細(xì)菌分裂成兩個(gè)子細(xì)菌子細(xì)菌將繼承母細(xì)菌生物特性，具有與母細(xì)菌相同的位置及步長(zhǎng)為簡(jiǎn)化計(jì)算，本文規(guī)定復(fù)制過(guò)程中細(xì)菌總數(shù)保持不變趨化過(guò)程可確保細(xì)菌的局部搜索能力，復(fù)制過(guò)程能加快細(xì)菌的搜索速度，但對(duì)于復(fù)雜的優(yōu)化問(wèn)題，趨化和復(fù)制無(wú)法避免細(xì)菌陷入局部極小現(xiàn)象發(fā)生引入驅(qū)散過(guò)程以加強(qiáng)算法全局尋優(yōu)能力細(xì)菌在完成一定次數(shù)的復(fù)制后，將以一定概率被驅(qū)散到搜索空間中任意位置，如圖第期儲(chǔ)穎，等：細(xì)菌覓食算法在圖像壓縮中的應(yīng)用圖算法的復(fù)制過(guò)程圖算法的驅(qū)散過(guò)程網(wǎng)絡(luò)傳統(tǒng)網(wǎng)絡(luò)存在收斂速度慢、易陷入局部極小值等缺點(diǎn)將算法的復(fù)制和驅(qū)散作為學(xué)習(xí)策略添加到神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，構(gòu)建混合型網(wǎng)絡(luò)，可有效彌補(bǔ)傳統(tǒng)網(wǎng)絡(luò)的不足網(wǎng)絡(luò)模型，包括多個(gè)相互

10、獨(dú)立的兩層對(duì)稱網(wǎng)絡(luò)，每網(wǎng)絡(luò)被視為一個(gè)細(xì)菌算法是：首先，利用傳統(tǒng)算法完成每一網(wǎng)絡(luò)權(quán)值的優(yōu)化訓(xùn)練；其次，計(jì)算每一網(wǎng)絡(luò)的誤差函數(shù)作為網(wǎng)絡(luò)的適應(yīng)值；最后，清除適應(yīng)值較差的半數(shù)網(wǎng)絡(luò)，復(fù)制適應(yīng)值較優(yōu)的半數(shù)網(wǎng)絡(luò)，且復(fù)制的子網(wǎng)絡(luò)與母網(wǎng)絡(luò)具有相同結(jié)構(gòu)及網(wǎng)絡(luò)權(quán)值為保持網(wǎng)絡(luò)多樣性，以一定概率選擇部分網(wǎng)絡(luò)重新賦予初始權(quán)值，即完成算法的驅(qū)散操作經(jīng)過(guò)指定次數(shù)的訓(xùn)練、復(fù)制和驅(qū)散，將整個(gè)網(wǎng)絡(luò)模型中具有最優(yōu)適應(yīng)值（最小誤差值）的網(wǎng)絡(luò)權(quán)值保存，可用于圖像重建算法偽代碼如表其中，以為復(fù)制次數(shù)；為網(wǎng)絡(luò)（細(xì)菌）總數(shù)；。是被選中進(jìn)行復(fù)制的網(wǎng)/doc/cdc846bc960590c69ec

11、376e2.html絡(luò)數(shù)目；為在區(qū)間，上均勻分布的隨機(jī)數(shù)；為對(duì)網(wǎng)絡(luò)進(jìn)行驅(qū)散的概率實(shí)驗(yàn)結(jié)果與討論參數(shù)設(shè)置基于最小均方誤差（，）的峰值信噪比（，），常作為衡量解壓縮圖像質(zhì)量的指標(biāo)均方誤差越小，峰值信噪比越高，則重建圖像質(zhì)量越好表算法偽代碼序號(hào)內(nèi)容讀取訓(xùn)練圖像；初始化各網(wǎng)絡(luò)參數(shù)；復(fù)制：復(fù)制次數(shù)序號(hào)：帆訓(xùn)練：網(wǎng)絡(luò)序號(hào)：用算法對(duì)第個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；驅(qū)散：若，且，網(wǎng)絡(luò)權(quán)值重新初始化；跳至步驟排序，選擇適應(yīng)值較優(yōu)的，個(gè)網(wǎng)絡(luò)復(fù)制，釋放剩余網(wǎng)絡(luò)；跳至步驟排序，獲得一組最優(yōu)網(wǎng)絡(luò)權(quán)值南薈善抓）一似），（）志?（）其中，形和分別為圖像寬和高；以，）和廠（）分別表示輸入圖像和重建圖像；為圖像灰度值量化級(jí)數(shù)，對(duì)于灰度圖像取

12、壓縮比（，）為圖像文件原始大小和壓縮后圖像文件大小的比值參數(shù)，本算法指輸入節(jié)點(diǎn)數(shù)目與隱節(jié)點(diǎn)數(shù)目的比值（）其余參數(shù)設(shè)置為：圖像子塊大??；/doc/cdc846bc960590c69ec376e2.html訓(xùn)練最大循環(huán)次數(shù)；期望最小訓(xùn)練誤差；采用變學(xué)習(xí)速率算法；網(wǎng)絡(luò)總數(shù)；網(wǎng)絡(luò)復(fù)制次數(shù)。；網(wǎng)絡(luò)驅(qū)散概率。實(shí)驗(yàn)結(jié)果仿真實(shí)驗(yàn)對(duì)象為標(biāo)準(zhǔn)測(cè)試圖像，結(jié)果如表實(shí)驗(yàn)采用圖像對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用圖像、圖像、圖像、百圖像和圖像對(duì)訓(xùn)練后網(wǎng)絡(luò)進(jìn)行測(cè)試為減少隨機(jī)初始化網(wǎng)絡(luò)權(quán)值對(duì)壓縮結(jié)果的影響，表中所列數(shù)據(jù)均為次獨(dú)立仿真實(shí)驗(yàn)結(jié)果的平均值由表可見(jiàn)，與傳統(tǒng)算法相比，算法重建圖像的值普

13、遍得到提高，說(shuō)明將細(xì)菌覓食算法應(yīng)用于圖像壓縮是具有實(shí)際意義的圖重建圖像和誤差圖像分別是利用傳統(tǒng)深圳大學(xué)學(xué)報(bào)理工版第卷算法和算法對(duì)圖像進(jìn)行壓縮的結(jié)果（）由圖可見(jiàn)，算法重建圖像與原圖像誤差明顯小于傳統(tǒng)算法重建圖像與原圖像誤差表傳統(tǒng)算法與?算法峰值信噪比比較?（）原始圖像（）傳統(tǒng)算法重建圖像（）傳統(tǒng)算法誤差圖像（）算法重建圖像（）算法誤差圖像圖原始圖像與重建圖像比較鄭建華圖像數(shù)據(jù)壓縮的神經(jīng)網(wǎng)絡(luò)方法研究結(jié)語(yǔ)本文將細(xì)菌覓食算法與網(wǎng)絡(luò)結(jié)合進(jìn)行圖像計(jì)算機(jī)仿真，（）：://doc/cdc846bc960590c69ec376e2.html陳聆，閆海波，毛萬(wàn)標(biāo)基于粒子群優(yōu)化

14、的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制系統(tǒng)成都理工大學(xué)學(xué)報(bào)自然科學(xué)版，（）：潘志銘，林少聰，李霞帶運(yùn)力限制車輛路徑問(wèn)題的簡(jiǎn)易蟻群算法實(shí)現(xiàn)深圳大學(xué)學(xué)報(bào)理工版，（）：壓縮，取得一定的壓縮效果改善事實(shí)上，曾有學(xué)者嘗試將神經(jīng)網(wǎng)絡(luò)與【刮和等仿生類算法結(jié)合進(jìn)行訓(xùn)練，但均未應(yīng)用于圖像壓縮近期有學(xué)者提出改進(jìn)算法一細(xì)菌群集算法（細(xì)菌覓食生物仿生分布式優(yōu)化與控制，），以提高控制系統(tǒng)雜志，（）：（英文版），算法收斂精度和穩(wěn)定性，進(jìn)一步增強(qiáng)全局搜索能力將此類改進(jìn)型算法引入傳統(tǒng)網(wǎng)絡(luò)進(jìn)行圖，反向傳播誤像壓縮，并將及改進(jìn)算法與其他圖像壓縮方法相結(jié)合，將是筆者下一步研究方向差的學(xué)習(xí)表示自然，（）：（英文版）叢爽面向工具箱的神經(jīng)網(wǎng)絡(luò)理論

15、與應(yīng)用合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社，：參考文獻(xiàn)：尹顯東，李在銘，姚軍，等圖像壓縮標(biāo)準(zhǔn)研究的發(fā)展與前景信息與電子工程，（）：“，一種基于蟻群優(yōu)化算法設(shè)計(jì)的新型反向傳播網(wǎng)絡(luò)訓(xùn)練算法傳輸與分布會(huì)/doc/cdc846bc960590c69ec376e2.html議與展覽：亞洲與太平洋地區(qū)論文集紐約：出版社，：（英文版），高紅，惠曉威，楊峰基于人工神經(jīng)網(wǎng)絡(luò)的圖像壓縮技術(shù)研究與改進(jìn)科技信息，（）：用于全局優(yōu)化的細(xì)菌群集算法進(jìn)化計(jì)算會(huì)議論文集新加坡：出版社，：（英文版）第期儲(chǔ)穎，等：細(xì)菌覓食算法在圖像壓縮中的應(yīng)用：（），），：http:/www.wenku

16、/doc/cdc846bc960590c69ec376e2.html（）（），：；：，/doc/cdc846bc960590c69ec376e2.html，（）：，（）：，（），（）：，（）：（）（）：://doc/cdc846bc960590c69ec376e2.htmlpar，：（），（）：，：。：，（）：（）/doc/cdc846bc960590c69ec376e2.html，：。：，（）：（）【中文責(zé)編：英子；英文責(zé)編：雨辰】細(xì)菌

17、覓食算法在圖像壓縮中的應(yīng)用作者：作者單位：儲(chǔ)穎， 邵子博， 糜華， 吳青華， CHU Ying， Z.B.SHAO， MI Hua， Q.H.WU儲(chǔ)穎,糜華,CHU Ying,MI Hua(深圳大學(xué)信息工程學(xué)院,深圳,518060)， 邵子博,Z.B.SHAO(倫敦大學(xué)學(xué)院電子工程系,倫敦 WC1E 7JE,英國(guó))， 吳青華,Q.H.WU(利物浦大學(xué)電氣電子工程系,利物浦 L69 3GJ,英國(guó))深圳大學(xué)學(xué)報(bào)（理工版）JOURNAL OF SHENZHEN UNIVERSITY(SCIENCE & ENGINEERING)2008，25(2)3次刊名：英文刊名：年，卷(期)：被引用次數(shù)： 參考文

18、獻(xiàn)(20條) 1.尹顯東.李在銘.姚軍 圖像壓縮標(biāo)準(zhǔn)研究的發(fā)展與前景期刊論文-信息與電子工程 2003(04)2.高紅.惠曉威.楊峰 基于BP人工神經(jīng)網(wǎng)絡(luò)的圖像壓縮技術(shù)研究與改進(jìn) 2007(30)3.鄭建華 /doc/cdc846bc960590c69ec376e2.html圖像數(shù)據(jù)壓縮的BP神經(jīng)網(wǎng)絡(luò)方法研究期刊論文-計(jì)算機(jī)仿真 2001(02)4.陳聆.閆海波.毛萬(wàn)標(biāo) 基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制系統(tǒng)期刊論文-成都理工大學(xué)學(xué)報(bào)（自然科學(xué)版） 2007(06)5.潘志銘.林少聰.李霞 帶運(yùn)力限制車輛路徑問(wèn)題的簡(jiǎn)易蟻群算法實(shí)現(xiàn)期

19、刊論文-深圳大學(xué)學(xué)報(bào)（理工版）2005(03)6.Passino K M 細(xì)菌覓食生物仿生-分布式優(yōu)化與控制 2002(03)7.Rumelhart D E.Hinton G E.Williams R J 反向傳播誤差的學(xué)習(xí)表示 1986(09)8.叢爽 面向Matlab工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用 19989.Li J B.Chung Y K 一種基于蟻群優(yōu)化算法設(shè)計(jì)的新型反向傳播網(wǎng)絡(luò)訓(xùn)練算法 200510.Tang W J.Wu Q H.Saunders J R 用于全局優(yōu)化的細(xì)菌群集算法 200711.YIN Xian-dong.LI Zai-ming.YAO Jun A survey o

20、n trends of image compression coding standards期刊論文-Information and Electronic Engineering 2003(04)12.GAO Hong.HUI Xiao-wei.YANG Feng Research and improvement on image compression technique based onBP artificial neural network 2007(02)13.ZHENG Jian-hua BP neural network for image data compression期刊論文

21、-Computer Simulation2001(02)14.CHEN Ling.YAN Hai-bo.MAO Wan-biao BP neural network model reference adap/doc/cdc846bc960590c69ec376e2.htmltive control system basedon the particle swarm optimizer 2007(06)15.PAN Zhi-ming.LIN Shao-cong.LI Xia A simplified ant colony algorithm fo

22、r capacity-constrainedvehicle routing problem期刊論文-Journal of Shenzhen University(Science & Engineering) 2005(03)16.Passino K M Biomimicry of bacterial foraging-for distributed optimization and control 2002(03)17.Rumelhart D E.Hinton G E.Williams R J Learning representations by back-propagating error

23、s1986(09)18.CONG Shuang Theory and Application of Neural Networks Using Matlab Toolbox 199819.Li J B.Chung Y K A novel back-propagation neural network training algorithm designed by an antcolony optimization會(huì)議論文 200520.Tang W J.Wu Q H.Saunders J R A bacterial swarming algorithm for global optimizati

24、on 2007相似文獻(xiàn)(10條)1.期刊論文 朱魯夫.程存歸.王森清 人工神經(jīng)網(wǎng)絡(luò)誤差反向傳播法測(cè)定復(fù)方苯甲酸涂劑中苯甲酸與水楊酸的含量 -醫(yī)藥導(dǎo)報(bào)2005,24(1)目的對(duì)紫外光譜重疊的復(fù)方苯甲酸涂劑進(jìn)行多組分不經(jīng)分離的含量測(cè)定.方法采用人工神經(jīng)網(wǎng)絡(luò)誤差/doc/cdc846bc960590c69ec376e2.html反向傳播方法(BP)對(duì)復(fù)方苯甲酸涂劑進(jìn)行含量測(cè)定.結(jié)果當(dāng)網(wǎng)絡(luò)隱蔽層的節(jié)點(diǎn)數(shù)為5,以9個(gè)節(jié)點(diǎn)輸入時(shí),苯甲酸與水楊酸的平均回收率分別為105.0%和102.0%,RSD分別為1.5%和2.0%.結(jié)論該方法簡(jiǎn)便、快速,測(cè)定結(jié)果準(zhǔn)確.

25、2.學(xué)位論文 周娜 BP人工神經(jīng)網(wǎng)絡(luò)紫外吸收光譜法直接測(cè)定COD研究 2006目前，我國(guó)COD自動(dòng)在線監(jiān)測(cè)儀的設(shè)計(jì)原理大部分是基于國(guó)家標(biāo)準(zhǔn)方法，即模擬傳統(tǒng)濕化學(xué)法將分析過(guò)程在線化。由于樣品仍然必須先加熱消解后測(cè)定，因而分析周期長(zhǎng)；加之方法采用試劑多，管路系統(tǒng)復(fù)雜，操作維護(hù)麻煩，故障率高；此外排放物還帶來(lái)嚴(yán)重的“二次污染”，因此，研制開(kāi)發(fā)簡(jiǎn)便、快速、可靠、無(wú)二次污染的水質(zhì)COD自動(dòng)在線監(jiān)測(cè)儀具有十分重要的意義。廢水中COD值的大小主要取決于其中有機(jī)物的組成和濃度。已有工作表明，大多數(shù)有機(jī)物在紫外光譜區(qū)有很強(qiáng)的吸收。在一定的條件，有機(jī)物的吸光度與COD有很好的相關(guān)性，利用這種相關(guān)性，可以用紫外吸光

26、度來(lái)直接測(cè)定COD。這是一種既不用化學(xué)試劑、也無(wú)須對(duì)樣品加熱消解、測(cè)定快速、簡(jiǎn)便的方法。本文從有機(jī)物的紫外吸收光譜入手，選擇有一定代表性的某些有機(jī)物，探討其紫外吸收規(guī)律與有機(jī)物含量的關(guān)系，采用誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)(BackPropagation Artificial Neural Network，簡(jiǎn)稱BP-ANN)，借此建立紫外吸收光譜直接測(cè)定廢水COD的化學(xué)計(jì)量學(xué)方法，并利用此模型對(duì)模擬廢水樣和實(shí)際廢水樣進(jìn)行預(yù)測(cè)。本文利用LmNetPF(V2.4)神經(jīng)網(wǎng)絡(luò)通用平臺(tái)完成建模和相關(guān)的數(shù)學(xué)運(yùn)算。LmNetPF采用BP算法中的Levenberg-Marquardt動(dòng)量項(xiàng)法實(shí)現(xiàn)，該法具有訓(xùn)練速度快

27、、學(xué)習(xí)時(shí)間短的特點(diǎn)。通過(guò)訓(xùn)練網(wǎng)絡(luò)得出最佳網(wǎng)絡(luò)參數(shù)為：學(xué)習(xí)速率1，動(dòng)量項(xiàng)0.0001，輸入層至中間層傳遞函數(shù)為雙曲正切s型函數(shù)，中間層至輸出層為線性型函數(shù)，BP網(wǎng)的拓?fù)浣Y(jié)構(gòu)為26(輸入層節(jié)點(diǎn)數(shù))-25(隱含層節(jié)點(diǎn)數(shù))-1(輸出層節(jié)點(diǎn)數(shù))。本文采用37個(gè)樣本訓(xùn)練集建立的BP-ANN模型，預(yù)測(cè)自配模擬廢水結(jié)果較好，相對(duì)誤差、N0。等無(wú)機(jī)離/doc/cdc846bc960590c69ec376e2.html子在一定濃度范圍內(nèi)無(wú)干擾，模型仍然能準(zhǔn)確地預(yù)測(cè)自配廢水。N0、N0加入量本文針對(duì)建立的BP-ANN模型的不足，從廢水成分的剖析、訓(xùn)練集樣品的組成以及

28、人工神經(jīng)網(wǎng)絡(luò)模型改進(jìn)等方面提出了建議。本文結(jié)果對(duì)深入研究BP人工神經(jīng)網(wǎng)絡(luò)紫外吸收光譜法直接測(cè)定COD提供了有價(jià)值的參考，并為此方法的進(jìn)一步完善打下了基礎(chǔ)。3.期刊論文 曹永生.陳奕衛(wèi).祖金鳳.朱金林.徐學(xué)誠(chéng).成榮明 反向傳播人工神經(jīng)網(wǎng)絡(luò)分光光度法同時(shí)測(cè)定環(huán)境水樣中的苯酚、間苯二酚和間氨基酚 -光譜學(xué)與光譜分析2003,23(4)本文應(yīng)用人工神經(jīng)網(wǎng)絡(luò)原理, 采用誤差反向傳播算法, 對(duì)環(huán)境水樣中的苯酚、間苯二酚和間氨基酚可以用分光光度法不經(jīng)分離進(jìn)行了同時(shí)測(cè)定. 三種酚類的平均回收率分別為98.0%, 99.6%和99.7%. 實(shí)驗(yàn)證明, 反向傳播-人工神經(jīng)網(wǎng)絡(luò)方法應(yīng)用在本體系中進(jìn)行結(jié)果校正, 結(jié)果

29、令人滿意.4.會(huì)議論文 李永明.祝言菊.李旭.俞集輝.汪泉弟 人工神經(jīng)網(wǎng)絡(luò)在電磁兼容預(yù)測(cè)中的應(yīng)用研究 2008本文提出了應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對(duì)電磁兼容問(wèn)題進(jìn)行快速預(yù)測(cè)的方法。通過(guò)選擇有效的電磁干擾參數(shù)作為輸入預(yù)測(cè)因子，用基于誤差反向傳播的神經(jīng)網(wǎng)絡(luò)(Error BackPropagation,BP)構(gòu)造輸入預(yù)測(cè)因子與敏感設(shè)備騷擾響應(yīng)之間的映射關(guān)系，并用電磁場(chǎng)數(shù)值計(jì)算方法獲得的訓(xùn)練樣本集和測(cè)試樣本集對(duì)構(gòu)造好的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立了基于BP網(wǎng)絡(luò)的電磁兼容快速預(yù)測(cè)模型。最后以導(dǎo)線間的串?dāng)_問(wèn)題為預(yù)測(cè)算例，表明了該方法的有效性。5.期刊論文 陳敏 反向傳播人工神經(jīng)網(wǎng)絡(luò)與肝癌患者血清酶譜分析 -中國(guó)醫(yī)院統(tǒng)計(jì)2

30、002,9(1)人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)是現(xiàn)代腦神經(jīng)科學(xué)研究成果的基礎(chǔ)上,于20世紀(jì)80年代中期迅速發(fā)展起來(lái)的一門處理非線性系統(tǒng)問(wèn)題的學(xué)科.它具有人腦功能的基本特性,在人工智能、模式識(shí)別、數(shù)據(jù)處理等領(lǐng)域有著廣泛的應(yīng)用前景,是當(dāng)前許多學(xué)科競(jìng)相研究和應(yīng)用的前沿課題12.6.期刊論文 龐濤濤.姚建斌.杜黎明.PANG T/doc/cdc846bc960590c69ec376e2.htmlao-tao.YAO Jian-bin.DU Li-ming 人工神經(jīng)網(wǎng)絡(luò)分類鑒別苦丁茶紅外光譜 -光譜學(xué)與光譜分析

31、2007,27(7)為了分類鑒別苦丁茶,采用競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)(CNN)和反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò))兩種模式的人工神經(jīng)網(wǎng)絡(luò)(ANN)分別分析了各種苦丁茶的紅外譜圖.作者采用25個(gè)樣本作訓(xùn)練集,11個(gè)樣本作檢驗(yàn)集,用兩種網(wǎng)絡(luò)進(jìn)行了訓(xùn)練.結(jié)果表明,CNN網(wǎng)絡(luò)和BP網(wǎng)絡(luò)均能夠有效地實(shí)現(xiàn)苦丁茶產(chǎn)地的鑒別,但CNN網(wǎng)絡(luò)能夠進(jìn)一步地區(qū)分苦丁茶的級(jí)別.實(shí)驗(yàn)表明,CNN速度快,預(yù)測(cè)結(jié)果準(zhǔn)確,可望用競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)(CNN)和紅外光譜法結(jié)合分類鑒別苦丁茶.7.學(xué)位論文 王秀臣 基于人工神經(jīng)網(wǎng)絡(luò)的瞬變電磁反演解釋及應(yīng)用研究 2006瞬變電磁法(TransientElectromagneticMethod，簡(jiǎn)稱TEM)

32、是一種時(shí)間域電磁測(cè)量方法，是在沒(méi)有一次場(chǎng)背景的情況下觀測(cè)和研究二次場(chǎng)(純異常)，大大地簡(jiǎn)化了對(duì)地質(zhì)對(duì)象所產(chǎn)生的異常的研究。該方法以其分辨能力強(qiáng)、工作效率高等特點(diǎn)，廣泛應(yīng)用于資源勘探與工程勘查領(lǐng)域，尤其是在煤礦采區(qū)水文地質(zhì)條件調(diào)查中成為最有效的探測(cè)手段之一。但隨著勘查精度要求的提高，對(duì)瞬變電磁方法技術(shù)的研究提出了新的課題。本文首先討論了瞬變電磁法基礎(chǔ)理論和瞬變電磁場(chǎng)的基本特征，隨后對(duì)瞬變電磁資料反演及解釋現(xiàn)狀進(jìn)行了分析，并就幾種最常用的反演方法作了詳細(xì)的介紹。目前實(shí)用的瞬變電磁資料反演解釋方法都存在著一些不足：反演理論非常復(fù)雜，不易學(xué)習(xí)和掌握；數(shù)據(jù)處理十分復(fù)雜，計(jì)算工作量大，且必須具有很強(qiáng)的專業(yè)

33、知識(shí)，很難進(jìn)行實(shí)時(shí)反演。人工神經(jīng)網(wǎng)絡(luò)特別適合處理不確定性和非結(jié)構(gòu)化信息。電磁法勘探中的大量信息就是這種信息，所以人工神經(jīng)網(wǎng)絡(luò)特別適合研究和解決這些問(wèn)題。同時(shí)，它也避開(kāi)了復(fù)雜的電磁場(chǎng)計(jì)算，只要選擇合適的樣本并經(jīng)過(guò)適當(dāng)?shù)膶W(xué)習(xí)訓(xùn)練就能夠解決那些復(fù)雜的實(shí)際問(wèn)題；而且它還具有學(xué)習(xí)記憶功能，能夠邊工作邊學(xué)習(xí)，使得瞬變電磁法的反演工作具備了很強(qiáng)的延續(xù)性和繼承性，便于推廣。本文中我們?cè)O(shè)計(jì)了一個(gè)基于人工神經(jīng)網(wǎng)絡(luò)的瞬變電磁反演專家系統(tǒng)，其中采用了常用的反向傳播/doc/cdc846bc960590c69ec376e2.html(BP)算法并對(duì)其進(jìn)行了改進(jìn)，并編制了

34、實(shí)用反演程序。然后采用該專家系統(tǒng)并結(jié)合已知鉆孔及電測(cè)井資料對(duì)實(shí)測(cè)瞬變電磁曲線進(jìn)行了反演計(jì)算，并對(duì)反演計(jì)算結(jié)果進(jìn)行了初步的誤差分析和評(píng)價(jià)，并與傳統(tǒng)反演方法計(jì)算的結(jié)果進(jìn)行了比較。結(jié)果表明采用人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)來(lái)反演解釋瞬變電磁資料的方法是切實(shí)可行和有效的。8.期刊論文 鄭金興.ZHENG Jin-xing 粒子群優(yōu)化人工神經(jīng)網(wǎng)絡(luò)在高速銑削力建模中的應(yīng)用 -計(jì)算機(jī)集成制造系統(tǒng)2008,14(9)將粒子群優(yōu)化人工神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于高速銑削力的建模研究中.采用粒子群算法與反向傳播算法相結(jié)合的方法,對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化.用粒子群算法訓(xùn)練網(wǎng)絡(luò)參數(shù),直到誤差趨于一穩(wěn)定值,然后用優(yōu)化的權(quán)值進(jìn)行反向

35、傳播算法運(yùn)算,以實(shí)現(xiàn)高速銑削力的預(yù)測(cè).充分發(fā)揮了粒子群算法的全局尋優(yōu)能力和反向傳播算法的局部搜索優(yōu)勢(shì).仿真結(jié)果表明,與其他幾種反向傳播算法相比較,粒子群算法與反向傳播算法的學(xué)習(xí)算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò),不僅訓(xùn)練時(shí)間明顯縮短,而且其預(yù)報(bào)精度也得到了較大的提高,能夠有效地建立銑削力模型,并對(duì)銑削力進(jìn)行準(zhǔn)確的預(yù)測(cè).9.學(xué)位論文 劉洋 基于神經(jīng)網(wǎng)絡(luò)的微波電磁場(chǎng)計(jì)算問(wèn)題的研究 2006近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)作為一種快速準(zhǔn)確的建模工具在電磁工程領(lǐng)域中引起了廣大工程設(shè)計(jì)者的極大關(guān)注。由于人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織、模擬高度復(fù)雜非線性映射的能力，使用它來(lái)求解微波電磁場(chǎng)中的計(jì)算問(wèn)題，只要有體現(xiàn)該模型問(wèn)題的輸入輸出樣本數(shù)據(jù)，網(wǎng)絡(luò)通過(guò)自學(xué)習(xí)，就可模擬出相應(yīng)的“計(jì)算模型”。而且網(wǎng)絡(luò)極強(qiáng)的容錯(cuò)能力和良好的魯棒性等特點(diǎn)為其在微波電磁場(chǎng)的優(yōu)化設(shè)計(jì)和控制問(wèn)題中的應(yīng)用提供了的廣闊的前景。本文在電磁場(chǎng)正向計(jì)算中，人工神經(jīng)網(wǎng)絡(luò)用于電磁工程問(wèn)題建模時(shí)，需先通過(guò)傳統(tǒng)建模方法獲取訓(xùn)練樣本和先驗(yàn)知識(shí)，因此對(duì)傳統(tǒng)的電磁建模方法的深入了解是十分必要的。本文針對(duì)多波導(dǎo)加載的矩形諧振腔系統(tǒng)的計(jì)算問(wèn)題，采用基于電磁場(chǎng)算子本征函數(shù)展開(kāi)法進(jìn)行相應(yīng)電磁場(chǎng)問(wèn)題的正向計(jì)算，以獲得精確的網(wǎng)絡(luò)訓(xùn)練樣本數(shù)